为了帮助更好地理解蛋白质在体内的相互作用，普渡大学的研究人员设计了一种新颖的方法，利用深度学习来更好地了解蛋白质在体内的相互作用方式，从而为产生与各种疾病有关的蛋白质相互作用的准确结构模型铺平了道路，并为设计针对蛋白质相互作用的更好药物铺平了道路。

为了了解蛋白质复合物功能的分子机制，生物学家一直在使用诸如X射线和显微镜的实验方法，但这是费时和资源密集的工作。普渡大学的研究实验室和其他机构中的生物信息学研究人员一直在开发用于模拟蛋白质复合物的计算方法。一个巨大的挑战是，一种计算方法通常会生成数千个模型，而选择正确的模型或对模型进行排名可能很困难。”

我们使用基于体素的深度神经网络（DOVE）开发了一种基于卷积深度神经网络的方法，称为DOcking诱饵选择，用于评估蛋白质对接模型。为了评估蛋白质对接模型，DOVE使用3D体素扫描模型的蛋白质-蛋白质界面，并考虑原子相互作用类型及其能量贡献作为应用于神经网络的输入特征。深度学习模型在ZDock和DockGround数据库中可用的对接模型上进行了培训和验证。在测试的功能的不同组合中，几乎所有功能都优于现有的评分功能。

由普渡大学研究人员创建的DOVE捕获具有3D框的蛋白质对接模型界面的结构和能量特征，并使用3D卷积神经网络判断该模型是正确的还是错误的。图片来源：木原大辅/普渡大学

研究人员表示：“我们的工作是在生物信息学领域的一个重大进步，这可能是研究人员首次成功使用深度学习和3D功能来快速了解某些蛋白质模型的有效性。 然后，这些信息可用于创建靶向药物，从而阻止某些蛋白质之间的相互作用。”

 而我们的信息技术、我们的AI，最令人欣喜的能力，不仅仅是解决了的问题，更应该是“事前诸葛亮”，在种种蛛丝马迹出现就可以预判灾情。希望当AI越来越多的参与到我们的社会流程中时，未来我们不再遭遇新的病毒。